論文の概要: Demystifying Advertising Campaign Bid Recommendation: A Constraint
target CPA Goal Optimization
- arxiv url: http://arxiv.org/abs/2212.13915v1
- Date: Mon, 26 Dec 2022 07:43:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-29 15:02:27.199174
- Title: Demystifying Advertising Campaign Bid Recommendation: A Constraint
target CPA Goal Optimization
- Title（参考訳）: Demystifying Advertising Campaign Bid Recommendation: A Constraint target CPA Goal Optimization
- Authors: Deguang Kong, Konstantin Shmakov and Jian Yang
- Abstract要約: 本稿では,広告主が望むtCPA目標を達成するための入札最適化シナリオを提案する。
我々は厳格に定式化された制約付き最適化問題を解くことで決定を下すために最適化エンジンを構築した。
提案モデルでは,広告主の過去のオークション行動に対する推測を行うことで,広告主の期待に応える入札を自然に推奨することができる。
- 参考スコア（独自算出の注目度）: 19.857681941728597
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In cost-per-click (CPC) or cost-per-impression (CPM) advertising campaigns,
advertisers always run the risk of spending the budget without getting enough
conversions. Moreover, the bidding on advertising inventory has few connections
with propensity one that can reach to target cost-per-acquisition (tCPA) goals.
To address this problem, this paper presents a bid optimization scenario to
achieve the desired tCPA goals for advertisers. In particular, we build the
optimization engine to make a decision by solving the rigorously formalized
constrained optimization problem, which leverages the bid landscape model
learned from rich historical auction data using non-parametric learning. The
proposed model can naturally recommend the bid that meets the advertisers'
expectations by making inference over advertisers' historical auction
behaviors, which essentially deals with the data challenges commonly faced by
bid landscape modeling: incomplete logs in auctions, and uncertainty due to the
variation and fluctuations in advertising bidding behaviors. The bid
optimization model outperforms the baseline methods on real-world campaigns,
and has been applied into a wide range of scenarios for performance improvement
and revenue liftup.
- Abstract（参考訳）: クリック単価(CPC)またはクリック単価(CPM)広告キャンペーンでは、広告主は常に十分なコンバージョンを得ることなく予算を消費するリスクを負う。
さらに、広告在庫の入札は、コスト・パー・アクセシション(tCPA)の目標に到達できる確率とはほとんど関係がない。
そこで本研究では,広告主が望むtCPA目標を達成するための入札最適化シナリオを提案する。
特に,非パラメトリック学習を用いて,リッチな履歴オークションデータから学習した入札ランドスケープモデルを活用した,厳密に定式化された制約付き最適化問題を解くことにより,意思決定を行う最適化エンジンを構築する。
提案モデルでは,広告入札行動の変動と変動による不完全ログ,不完全ログ,不確実性といった,入札ランドスケープモデリングが直面するデータ課題を本質的に扱う広告主の歴史的オークション行動に対する推測を行うことで,広告主の期待に応えた入札を自然に推奨することができる。
入札最適化モデルは、実世界のキャンペーンのベースラインメソッドよりも優れており、パフォーマンス向上と収益向上のための幅広いシナリオに適用されている。
関連論文リスト
- A Primal-Dual Online Learning Approach for Dynamic Pricing of Sequentially Displayed Complementary Items under Sale Constraints [54.46126953873298]
顧客に対して順次表示される補完アイテムの動的価格設定の問題に対処する。
各項目の価格を個別に最適化するのは効果がないため、補完項目のコヒーレントな価格ポリシーが不可欠である。
実世界のデータからランダムに生成した合成設定を用いて,我々のアプローチを実証的に評価し,制約違反や後悔の観点からその性能を比較した。
論文 参考訳（メタデータ） (2024-07-08T09:55:31Z) - Structured Dynamic Pricing: Optimal Regret in a Global Shrinkage Model [50.06663781566795]
消費者の嗜好と価格感が時間とともに変化する動的モデルを考える。
我々は,モデルパラメータの順序を事前に把握している透視者と比較して,収益損失が予想される,後悔による動的価格政策の性能を計測する。
提案した政策の最適性を示すだけでなく,政策立案のためには,利用可能な構造情報を組み込むことが不可欠であることを示す。
論文 参考訳（メタデータ） (2023-03-28T00:23:23Z) - Do not Waste Money on Advertising Spend: Bid Recommendation via
Concavity Changes [19.857681941728597]
計算広告において、難しい問題は、投資に対する最良のリターンを達成するために、広告主にどのように入札を推奨するかである。
本稿では,クリック収益の変化にともなう予算制約シナリオについて述べる。
論文 参考訳（メタデータ） (2022-12-26T08:32:41Z) - Adaptive Risk-Aware Bidding with Budget Constraint in Display
Advertising [47.14651340748015]
本稿では,強化学習による予算制約を考慮した適応型リスク対応入札アルゴリズムを提案する。
リスク・アット・バリュー(VaR)に基づく不確実性とリスク傾向の本質的関係を理論的に明らかにする。
論文 参考訳（メタデータ） (2022-12-06T18:50:09Z) - Risk-Aware Bid Optimization for Online Display Advertisement [9.255311854574915]
本研究は,オンライン広告のリアルタイム入札設定における入札最適化問題に焦点をあてる。
本稿では,広告主が期待する利益を最大化するリスク対応型データ駆動入札モデルを提案する。
論文 参考訳（メタデータ） (2022-10-28T02:14:33Z) - A Unified Framework for Campaign Performance Forecasting in Online
Display Advertising [9.005665883444902]
解釈可能で正確な結果により、広告主はキャンペーン基準を管理し、最適化することができる。
新しいフレームワークは、様々な入札型の下で履歴ログのキャンペーンパフォーマンスを統一的なリプレイアルゴリズムで再現する。
手法は、関連する予測指標間の混合キャリブレーションパターンをキャプチャして、推定結果を真にマッピングする。
論文 参考訳（メタデータ） (2022-02-24T03:04:29Z) - Bid Optimization using Maximum Entropy Reinforcement Learning [0.3149883354098941]
本稿では、リアルタイム入札(RTB)における強化学習(RL)を用いた広告主の入札戦略の最適化に焦点をあてる。
まず、広く受け入れられている線形入札関数を用いて、すべての印象のベース価格を計算し、RTBオークション環境から派生した可変調整係数で最適化する。
最後に、公開データセットに関する実証的研究により、提案した入札戦略がベースラインよりも優れた性能を示した。
論文 参考訳（メタデータ） (2021-10-11T06:53:53Z) - Mid-flight Forecasting for CPA Lines in Online Advertising [6.766999405722559]
本稿では,飛行中におけるCPAラインの予測問題について検討する。
提案手法は,様々な性能指標と最適化信号の関係性を生成する。
広告主の支出と効果的なコスト・パー・アクション(eCPA)との関係も特徴である。
論文 参考訳（メタデータ） (2021-07-15T17:48:15Z) - A Cooperative-Competitive Multi-Agent Framework for Auto-bidding in
Online Advertising [53.636153252400945]
本稿では,自動入札のための総合的マルチエージェント強化学習フレームワーク,すなわちMAABを提案し,自動入札戦略を学習する。
当社のアプローチは、社会的福祉の観点から、いくつかの基準的手法を上回り、広告プラットフォームの収益を保証します。
論文 参考訳（メタデータ） (2021-06-11T08:07:14Z) - Dynamic Knapsack Optimization Towards Efficient Multi-Channel Sequential
Advertising [52.3825928886714]
我々は、動的knapsack問題として、シーケンシャルな広告戦略最適化を定式化する。
理論的に保証された二段階最適化フレームワークを提案し、元の最適化空間の解空間を大幅に削減する。
強化学習の探索効率を向上させるため,効果的な行動空間削減手法も考案した。
論文 参考訳（メタデータ） (2020-06-29T18:50:35Z) - MoTiAC: Multi-Objective Actor-Critics for Real-Time Bidding [47.555870679348416]
そこで本研究では,MoTiACというマルチエクティブ・アクタ・クリティカルスアルゴリズムを提案する。
従来のRLモデルとは異なり、提案されたMoTiACは複雑な入札環境で同時に多目的タスクを達成できる。
論文 参考訳（メタデータ） (2020-02-18T07:16:39Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。